基于在线局部Fisher矢量机的SAR图像目标识别方法及系统与流程

基于在线局部fisher矢量机的sar图像目标识别方法及系统
技术领域
1.本发明涉及图像识别技术领域，特别涉及一种基于在线局部fisher矢量机的sar图像目标识别方法及系统。


背景技术：

2.合成孔径雷达(synthetic aperture radar,sar)是可以在能见度极低的气象条件下得到类似光学照相的高分辨率雷达图像的一种技术，其工作原理是利用雷达与目标的相对运动，把尺度较小的真实天线孔径用数据处理的方法合成为一个较大的等效天线孔径，所得到的高方位分辨率相当于一个大孔径天线所提供的方位分辨率。
3.与其它大多数雷达一样，合成孔径雷达通过发射电磁脉冲和接收目标回波之间的时间差测定距离，其分辨率与脉冲宽度或脉冲持续时间有关，脉宽越窄分辨率越高。合成孔径雷达通常装在飞机或卫星上，分为机载和星载两种。合成孔径雷达按平台的运动航迹来测距和二维成像，其两维坐标信息分别为距离信息和垂直于距离上的方位信息。方位分辨率与波束宽度成正比，与天线尺寸成反比，就像光学系统需要大型透镜或反射镜来实现高精度一样，雷达在低频工作时也需要大的天线或孔径来获得清晰的图像。由于飞机航迹不规则，变化很大，会造成图像散焦。必须使用惯性和导航传感器来进行天线运动的补偿，同时对成像数据反复处理以形成具有最大对比度图像的自动聚焦。因此，合成孔径雷达成像必须以侧视方式工作，在一个合成孔径长度内，发射相干信号，接收后经相干处理从而得到一幅电子镶嵌图。雷达所成图像像素的亮度正比于目标区上对应区域反射的能量。总量就是雷达截面积，它以面积为单位。后向散射的程度表示为归一化雷达截面积，以分贝(db)表示。地球表面典型的归一化雷达截面积为:最亮 5db，最暗－40db。合成孔径雷达不能分辨人眼和相机所能分辨的细节，但其工作的波长使其能穿透云和尘埃。
4.合成孔径雷达具有分辨率高、能全天候工作、能有效地识别伪装和穿透掩盖物的特点，目前已经成为人们对地观测的重要手段之一。因此，利用合成孔径雷达数据进行目标识别也是图像解译的重要研究方向。同时，从合成孔径雷达图像中检测地面目标也有着广泛的应用前景，在军事领域，对特定目标进行位置检测，有利于战术部署、提高防御预警能力；在民用领域，对某些偷渡、非法捕捞船只进行检测，有助于相关部门进行监测和管理。
5.支持向量机(svm,support vector machine)是一种推广能力很好的小样本学习机，目前已经被应用到了sar图像目标识别中。但是由于svm分类分类模型本身的特点，在用批处理式学习方法比如序列最小最优化算法(smo,sequential minimal optimization)来处理sar图像目标识别方法时，存在两个瓶颈：一是学习时间长、学习效率低；二是难以针对增量数据进行有效地更新。


技术实现要素：

6.本发明要解决的技术问题是提供一种更高效、更准确、可适应大规模数据的基于在线局部fisher矢量机的sar图像目标识别方法。
7.为了解决上述问题，本发明提供了一种基于在线局部fisher矢量机的sar图像目标识别方法，其包括以下步骤：
8.s1、对sar图像训练数据进行裁剪并在行上堆叠为向量数据，对向量数据划分预训练集并利用预训练集中的sar图像训练数据进行分类模型预训练，以得到一次更新的分类模型参数；
9.s2、将一次更新后的分类模型参数作为初值输入分类模型，并将预训练集加入缓冲池，在分类模型接收到任意样本数据时，将样本数据加入缓冲池对分类模型进行训练，并遍历所有样本数据以得到二次更新的分类模型参数；
10.s3、对sar图像检测数据进行裁剪并在行上堆叠为向量数据，利用二次更新的分类模型参数来计算分类模型函数值并对数据进行预测分类。
11.作为本发明的进一步改进，所述分类模型的函数形式为：
[0012][0013]
其中，f(x)为分类模型函数值；k(xi,x)为核函数；α＝[α1,
…
,αn]
t
∈rn为分类模型参数，n为预训练集中的数据个数；在预训练时，将α初始化为0向量。
[0014]
作为本发明的进一步改进，在步骤s1中，对预训练集中的第t(t≤n)个样本(x
t
,y
t
)，采用以下公式进行分类模型参数一次更新：
[0015][0016][0017]
其中，f
t
(xi)表示第t次迭代产生的分类模型函数值，η
t
表示学习率，λ1和λ2为非负正则项系数，w
it
表示关联xi与x
t
两点的边权重值；α
(t 1)
∈r
t 1
表示第t 1轮预训练结束后的分类模型参数，其具体形式为当t＝n时，预训练结束，得到一次更新后的分类模型参数α。
[0018]
作为本发明的进一步改进，在步骤s2中，采用以下公式进行分类模型参数二次更新：
[0019][0020][0021][0022][0023]
其中，η
t
表示学习率，γa和γi为正则项系数；α
(t 1)
表示第t 1次更新之后的α，其具体形式为体形式为表示样本x
t
对应的缓冲池中异类最近邻样本，
表示x
t
对应的缓冲池中同类最近邻样本，表示对应的值，表示对应的值，n＜t≤l,tb,tw∈[1,m]，m表示缓冲池中样本个数；遍历完所有样本数据后，得到二次更新后的分类模型参数α。
[0024]
作为本发明的进一步改进，步骤s3中采用如下规则对数据进行预测分类；
[0025][0026]
其中，f(x)为利用二次更新的分类模型参数计算得到的分类模型函数值。
[0027]
为了解决上述问题，本发明还提供了一种基于在线局部fisher矢量机的sar图像目标识别系统，其包括以下模块：
[0028]
数据预处理模块，用于对sar图像训练数据进行裁剪并在行上堆叠为向量数据，对向量数据划分预训练集并利用预训练集中的sar图像训练数据进行分类模型预训练，以得到一次更新的分类模型参数；
[0029]
分类模型训练模块，用于将一次更新后的分类模型参数作为初值输入分类模型，并将预训练集加入缓冲池，在分类模型接收到任意样本数据时，将样本数据加入缓冲池对分类模型进行训练，并遍历所有样本数据以得到二次更新的分类模型参数；
[0030]
预测模块，用于对sar图像检测数据进行裁剪并在行上堆叠为向量数据，利用二次更新的分类模型参数来计算分类模型函数值并对数据进行预测分类。
[0031]
作为本发明的进一步改进，所述分类模型的函数形式为：
[0032][0033]
其中，f(x)为分类模型函数值；k(xi,x)为核函数；α＝[α1,
…
,αn]
t
∈rn为分类模型参数，n为预训练集中的数据个数；在预训练时，将α初始化为0向量。
[0034]
作为本发明的进一步改进，在所述数据预处理模块中，对预训练集中的第t(t≤n)个样本(x
t
,y
t
)，采用以下公式进行分类模型参数一次更新：
[0035][0036][0037]
其中，f
t
(xi)表示第t次迭代产生的分类模型函数值，η
t
表示学习率，λ1和λ2为非负正则项系数，w
it
表示关联xi与x
t
两点的边权重值；α
(t 1)
∈r
t 1
表示第t 1轮预训练结束后的分类模型参数，其具体形式为当t＝n时，预训练结束，得到一次更新后的分类模型参数α。
[0038]
作为本发明的进一步改进，在所述分类模型训练模块中，采用以下公式进行分类模型参数二次更新：
[0039]
[0040][0041][0042][0043]
其中，η
t
表示学习率，γa和γi为正则项系数；α
(t 1)
表示第t 1次更新之后的α，其具体形式为体形式为表示样本x
t
对应的缓冲池中异类最近邻样本，表示x
t
对应的缓冲池中同类最近邻样本，表示对应的值，表示对应的值，n＜t≤l,tb,tw∈[1,m]，m表示缓冲池中样本个数；遍历完所有样本数据后，得到二次更新后的分类模型参数α。
[0044]
作为本发明的进一步改进，在所述预测模块中，采用如下规则对数据进行预测分类；
[0045][0046]
其中，f(x)为利用二次更新的分类模型参数计算得到的分类模型函数值。
[0047]
本发明的有益效果：
[0048]
本发明基于在线局部fisher矢量机的sar图像目标识别方法及系统基于在线局部fisher矢量机，通过将训练数据堆叠为向量数据，并对向量数据划分训练集进行分类模型预训练，得到一次更新的分类模型参数，再将一次更新的分类模型参数作为分类模型初值，对分类模型进行训练得到二次更新的分类模型参数，最后利用二次更新的分类模型参数来计算分类模型函数值并对数据进行预测分类，相比传统算法具有更高效、更准确、可适应大规模数据的优势。
[0049]
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂，以下特举较佳实施例，并配合附图，详细说明如下。
附图说明
[0050]
图1是本发明优选实施例中基于在线局部fisher矢量机的sar图像目标识别方法的流程图；
[0051]
图2是本发明优选实施例中基于在线局部fisher矢量机的sar图像目标识别系统的示意图。
具体实施方式
[0052]
下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。
[0053]
如图1所示，为本发明优选实施例中基于在线局部fisher矢量机的sar(合成孔径雷达)图像目标识别方法，所述基于在线局部fisher矢量机的sar图像目标识别方法包括以
下步骤：
[0054]
s1、对sar图像训练数据进行裁剪并在行上堆叠为向量数据，对向量数据划分预训练集并利用预训练集中的sar图像训练数据进行分类模型预训练，以得到一次更新的分类模型参数；其中，所述分类模型为稀疏fisher支持向量机分类算法构建的模型，所述稀疏fisher支持向量机为基于l1范数的fisher支持向量机。
[0055]
具体地，步骤s1包括：
[0056]
s11、令sar图像训练数据的向量数据集合为x＝{xi|xi∈rd,i＝1,2,...,l}，训练标签集为y＝{y1,y2,...,y
l
}，其中yi∈{
±
1}为xi的标签，表示两类目标，d表示向量数据的长度，l是sar图像训练数据的总个数；对x进行数据标准化，使其均值为0且方差为1；
[0057]
s12、利用一小部分数据进行预训练，令p＝{(xi,yi)|xi∈x,yi∈y,i＝1,2,...n}为预训练集，其中n＜l。令分类模型的函数形式为：
[0058][0059]
其中，f(x)为分类模型函数值；k(xi,x)为核函数；α＝[α1,
…
,αn]
t
∈rn为分类模型参数，n为预训练集中的数据个数；在预训练时，将α初始化为0向量。
[0060]
对预训练集中的第t(t≤n)个样本(x
t
,y
t
)，采用以下公式进行分类模型参数一次更新：
[0061][0062][0063]
其中，f
t
(xi)表示第t次迭代产生的分类模型函数值，η
t
表示学习率，λ1和λ2为非负正则项系数，w
it
表示关联xi与x
t
两点的边权重值；α
(t 1)
∈r
t 1
表示第t 1轮预训练结束后的分类模型参数，其具体形式为当t＝n时，预训练结束，得到一次更新后的分类模型参数α。
[0064]
s2、将一次更新后的分类模型参数作为初值输入分类模型，并将预训练集加入缓冲池，在分类模型接收到任意样本数据时，将样本数据加入缓冲池对分类模型进行训练，并遍历所有样本数据以得到二次更新的分类模型参数；
[0065]
可选地，采用以下公式进行分类模型参数二次更新：
[0066][0067][0068][0069][0070]
其中，η
t
表示学习率，γa和γi为正则项系数；α
(t 1)
表示第t 1次更新之后的α，其具
体形式为体形式为表示样本x
t
对应的缓冲池中异类最近邻样本，表示x
t
对应的缓冲池中同类最近邻样本，表示对应的值，表示对应的值，n＜t≤l,tb,tw∈[1,m]，m表示缓冲池中样本个数；遍历完所有样本数据后，得到二次更新后的分类模型参数α。
[0071]
s3、对sar图像检测数据进行裁剪并在行上堆叠为向量数据，利用二次更新的分类模型参数来计算分类模型函数值并对数据进行预测分类。
[0072]
具体地，利用如下公式计算分类模型函数值：
[0073][0074]
然后，采用如下规则对数据进行预测分类；
[0075][0076]
其中，f(x)为利用二次更新的分类模型参数计算得到的分类模型函数值。
[0077]
本发明基于在线局部fisher矢量机的sar图像目标识别方法基于在线局部fisher矢量机，通过将训练数据堆叠为向量数据，并对向量数据划分训练集进行分类模型预训练，得到一次更新的分类模型参数，再将一次更新的分类模型参数作为分类模型初值，对分类模型进行训练得到二次更新的分类模型参数，最后利用二次更新的分类模型参数来计算分类模型函数值并对数据进行预测分类，相比传统算法具有更高效、更准确、可适应大规模数据的优势。
[0078]
本发明优选实施例还公开了一种基于在线局部fisher矢量机的sar图像目标识别系统，所述基于在线局部fisher矢量机的sar图像目标识别系统包括以下模块：
[0079]
数据预处理模块，用于对sar图像训练数据进行裁剪并在行上堆叠为向量数据，对向量数据划分预训练集并利用预训练集中的sar图像训练数据进行分类模型预训练，以得到一次更新的分类模型参数；
[0080]
具体地，所述数据预处理模块用于执行以下步骤：
[0081]
s11、令sar图像训练数据的向量数据集合为x＝{xi|xi∈rd,i＝1,2,...,l}，训练标签集为y＝{y1,y2,...,y
l
}，其中yi∈{
±
1}为xi的标签，表示两类目标，d表示向量数据的长度，l是sar图像训练数据的总个数；对x进行数据标准化，使其均值为0且方差为1；
[0082]
s12、利用一小部分数据进行预训练，令p＝{(xi,yi)|xi∈x,yi∈y,i＝1,2,...n}为预训练集，其中n＜l。令分类模型的函数形式为：
[0083][0084]
其中，f(x)为分类模型函数值；k(xi,x)为核函数；α＝[α1,
…
,αn]
t
∈rn为分类模型参数，n为预训练集中的数据个数；在预训练时，将α初始化为0向量。
[0085]
对预训练集中的第t(t≤n)个样本(x
t
,y
t
)，采用以下公式进行分类模型参数一次更新：
[0086][0087][0088]
其中，f
t
(xi)表示第t次迭代产生的分类模型函数值，η
t
表示学习率，λ1和λ2为非负正则项系数，w
it
表示关联xi与x
t
两点的边权重值；α
(t 1)
∈r
t 1
表示第t 1轮预训练结束后的分类模型参数，其具体形式为当t＝n时，预训练结束，得到一次更新后的分类模型参数α。
[0089]
分类模型训练模块，用于将一次更新后的分类模型参数作为初值输入分类模型，并将预训练集加入缓冲池，在分类模型接收到任意样本数据时，将样本数据加入缓冲池对分类模型进行训练，并遍历所有样本数据以得到二次更新的分类模型参数；
[0090]
可选地，采用以下公式进行分类模型参数二次更新：
[0091][0092][0093][0094][0095]
其中，η
t
表示学习率，γa和γi为正则项系数；α
(t 1)
表示第t 1次更新之后的α，其具体形式为体形式为表示样本x
t
对应的缓冲池中异类最近邻样本，表示x
t
对应的缓冲池中同类最近邻样本，表示对应的值，表示对应的值，n＜t≤l,tb,tw∈[1,m]，m表示缓冲池中样本个数；遍历完所有样本数据后，得到二次更新后的分类模型参数α。
[0096]
预测模块，用于对sar图像检测数据进行裁剪并在行上堆叠为向量数据，利用二次更新的分类模型参数来计算分类模型函数值并对数据进行预测分类。
[0097]
具体地，采用如下规则对数据进行预测分类；
[0098][0099]
其中，f(x)为利用二次更新的分类模型参数计算得到的分类模型函数值。
[0100]
本发明基于在线局部fisher矢量机的sar图像目标识别系统基于在线局部fisher矢量机，通过将训练数据堆叠为向量数据，并对向量数据划分训练集进行分类模型预训练，得到一次更新的分类模型参数，再将一次更新的分类模型参数作为分类模型初值，对分类模型进行训练得到二次更新的分类模型参数，最后利用二次更新的分类模型参数来计算分类模型函数值并对数据进行预测分类，相比传统算法具有更高效、更准确、可适应大规模数据的优势。
[0101]
为了验证本发明基于在线局部fisher矢量机的sar图像目标识别方法及系统的有效性，在一具体实施例中，本发明基于在线局部fisher矢量机的sar图像目标识别方法使用mstar(moving and stationary target acquisition and recognition)数据集进行测试。mstar(moving and stationary target acquisition and recognition)项目的数据采集于1995年和1996年，地点是huntsville的redstone军工厂。数据源是由著名的sandia国家实验室(snl)的合成孔径雷达(synthetic aperture radar，sar)传感器平台采集的。
[0102]
msrat public target chips数据集含有三类样本，分别是bmp2步兵战车、btr70装甲运输车以及t72坦克共1622个训练样本，1364个测试样本。
[0103]
具体测试步骤如下：
[0104]
s11、输入原始sar图像训练数据，将其剪裁到64*64大小后，在行上堆叠为向量数据。令sar图像训练数据的向量数据集合为x＝{xi|xi∈r
64
×
64
，i＝1，2...1622}，训练标签集为y＝{y1，y2，...，y
1622
}，其中yi∈{1，2，3}为xi的标签，表示三类目标。对x进行数据标准化，使其均值为0且方差为1。再以标签对训练集进行分割，三类样本两两组合形成三个训练集x
12
，x
13
，x
23
。
[0105]
s12、利用一小部分数据进行预训练，令：
[0106]
p
12
＝{(xi,yi)|xi∈x
12
,yi∈{1,2},i＝1,2,...,10}为训练集x
12
的预训练集。令分类模型函数的形式为：
[0107][0108]
在本实施例中，k(xi,x)为高斯核函数，α＝[α1，α2，...，α
10
]
t
∈r
10
为分类模型参数。在预训练中，首先将α初始化为0向量。对预训练集中第t(t≤n)个样本(x
t
,y
t
)，进行如下的参数更新操作：
[0109][0110][0111]
其中，f
t
(xi)表示第t次迭代产生的分类模型函数值，η
t
表示学习率，λ1和λ2为非负正则项系数，w
it
表示关联xi与x
t
两点的边权重值；在本实施实例中，λ1＝1.0，λ2＝1.0，α
(t 1)
表示第t 1轮预训练结束后的α，其具体形式为当t＝10时，预训练结束，得到一次更新后的分类模型参数α。
[0112]
s2、将一次更新后的分类模型参数α作为初值输入分类模型，并将预训练集加入缓冲池。用m表示缓冲池中样本的个数。
[0113]
在分类模型接收到任意样本(x
t
,y
t
)时，将样本加入缓冲池。对分类模型参数α进行如下更新：
[0114][0115][0116][0117][0118]
其中，η
t
表示学习率，γa和γi为正则项系数。在本实例中，α
(t 1)
表示第t 1次更新之后的α，其具体形式为表示第t 1次更新之后的α，其具体形式为表示样本x
t
对应的缓冲池中异类最近邻样本，表示x
t
对应的缓冲池中同类最近邻样本,表示对应的值，表示对应的值，n＜t≤l,tb,tw∈[1,m]。
[0119]
当所有数据遍历完毕时，训练结束后获得更新后的分类模型参数α。
[0120]
s3、输入sar图像检测数据，将其剪裁到64*64大小后，在行上堆叠为向量数据x∈r
64
×
64
。利用二次更新的分类模型参数α来估计x的标签。具体过程如下，先计算分类模型函数值：
[0121][0122]
然后按照如下规则对数据进行预测分类：
[0123][0124]
本发明的效果可以通过如下实验验证：
[0125]
通过在msrat public target chips上进行了5次实验，取5次实验的平均值作为最终结果。表1给出了本发明与smo(sequential minimal optimization)序列最小最优化算法的平均精度以及运行时间。可以看出，本发明基于在线局部fisher矢量机的sar图像目标识别方法与传统批处理分类算法smo相比，具有明显的时间以及精度优势。
[0126]
表1本发明与smo方法精度与运行时间的对比
[0127] 本发明smoaccuracy73.66％65.33％cpu time(s)5.766.67
[0128]
以上实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换，均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。